[發(fā)明專利]一種基于潛在因子的矩陣分解補(bǔ)全混合推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010084941.3
• 申請(qǐng)日: 2020-02-10
• 公開(kāi)（公告）號(hào): CN111339435B
• 公開(kāi)（公告）日: 2022-09-23
• 發(fā)明（設(shè)計(jì)）人: 孫知信;楊宏勝;孫翌博;陳松樂(lè);宮婧;趙學(xué)健;胡冰;孫哲
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06F17/13;G06Q30/06
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 顏盈靜

1.一種基于潛在因子的矩陣分解補(bǔ)全混合推薦方法，其特征在于：包括以下步驟：

步驟1：獲取用戶物品信息數(shù)據(jù)集，構(gòu)建用戶物品評(píng)分矩陣、用戶潛在因子矩陣和物品潛在因子矩陣；所述用戶物品信息數(shù)據(jù)集中包括用戶的特征信息、物品的特征信息和與用戶相關(guān)的物品集合信息；所述用戶物品評(píng)分矩陣由用戶物品信息數(shù)據(jù)集中每個(gè)用戶以及其對(duì)物品的評(píng)分構(gòu)成；所述用戶潛在因子矩陣是由用戶特征信息組成的特征矩陣；所述物品潛在因子矩陣是由物品特征信息組成的特征矩陣；

步驟2：基于用戶物品評(píng)分矩陣、用戶潛在因子矩陣和物品潛在因子矩陣，計(jì)算得到用戶之間的相似度和物品之間的相似度，以某個(gè)用戶或物品的最相似的k個(gè)用戶或物品作為其鄰居，根據(jù)用戶之間的相似度得到用戶鄰居信息，根據(jù)物品之間的相似度得到物品鄰居信息；

步驟3：基于用戶潛在因子矩陣和物品潛在因子矩陣，對(duì)用戶物品評(píng)分矩陣進(jìn)行矩陣分解，根據(jù)分解矩陣定義目標(biāo)函數(shù)并進(jìn)行迭代計(jì)算得到預(yù)測(cè)評(píng)分矩陣，并得到對(duì)應(yīng)的預(yù)測(cè)評(píng)估指標(biāo)的狀態(tài)值：所述預(yù)測(cè)評(píng)估指標(biāo)的狀態(tài)值為評(píng)估預(yù)測(cè)值與實(shí)際值的誤差值；

步驟4：基于用戶潛在因子矩陣和物品潛在因子矩陣，對(duì)用戶物品評(píng)分矩陣進(jìn)行矩陣補(bǔ)全，對(duì)補(bǔ)全后的用戶物品評(píng)分矩陣采用頻譜變換得到預(yù)測(cè)評(píng)分矩陣和對(duì)應(yīng)的預(yù)測(cè)評(píng)估指標(biāo)的狀態(tài)值：

步驟5：基于不同用戶對(duì)物品評(píng)分的相關(guān)性，將步驟3得到的預(yù)測(cè)評(píng)分矩陣和步驟4得到的預(yù)測(cè)評(píng)分矩陣進(jìn)行加權(quán)得到預(yù)測(cè)評(píng)分矩陣和其對(duì)應(yīng)的預(yù)測(cè)評(píng)估指標(biāo)的狀態(tài)值；

步驟6：根據(jù)步驟3得到的預(yù)測(cè)評(píng)分矩陣、步驟4得到的預(yù)測(cè)評(píng)分矩陣和步驟5得到的預(yù)測(cè)評(píng)分矩陣及各自對(duì)應(yīng)的預(yù)測(cè)評(píng)估指標(biāo)的狀態(tài)值，通過(guò)加權(quán)混合平均得到最終的預(yù)測(cè)推薦矩陣；

步驟7：根據(jù)預(yù)測(cè)推薦矩陣，完成向用戶推薦物品；

在所述步驟3中，首先，根據(jù)分解矩陣定義損失函數(shù)和目標(biāo)函數(shù)：

所述損失函數(shù)為：

所述目標(biāo)函數(shù)：

式中，o表示用戶物品評(píng)分集合，表示用戶u評(píng)價(jià)的物品數(shù)，表示對(duì)物品v進(jìn)行評(píng)分的用戶數(shù)量，μ表示正則化參數(shù)；

再者，采用隨機(jī)梯度下降方法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化得到預(yù)測(cè)評(píng)分矩陣：

最后，預(yù)測(cè)評(píng)分由公式(6)進(jìn)行迭代更新得出，以此得到預(yù)測(cè)評(píng)分矩陣；

其中，表示總體評(píng)分平均值，b_u表示用戶偏差，b_v表示物品偏差，為預(yù)測(cè)評(píng)分結(jié)果，U_u表示用戶特征向量，V_v表示物品特征向量，μ表示正則化參數(shù)，σ表示學(xué)習(xí)率參數(shù)；

所述步驟4具體包括以下子步驟：

采用式(8)對(duì)用戶物品評(píng)分矩陣進(jìn)行矩陣補(bǔ)全的具體步驟如下：

其中，g_r/g_c表示行/列中跟物品/用戶相關(guān)的相似度圖屬性，ω為給定的一個(gè)已知信息集，其值表示為y_u，v∈Y，F(xiàn)_u表示用戶鄰居信息，F(xiàn)_v表示物品鄰居信息，表示矩陣F范數(shù)的平方，對(duì)應(yīng)于標(biāo)準(zhǔn)狄利克雷分布；

對(duì)公式(8)得到的最優(yōu)值采用頻譜變換得到預(yù)測(cè)評(píng)分矩陣其中，Δ_r，Δ_c表示行圖和列圖拉普拉斯算子的m×m和n×n特征向量矩陣，X＝WH^T。

2.根據(jù)權(quán)利要求1所述的一種基于潛在因子的矩陣分解補(bǔ)全混合推薦方法，其特征在于：在所述步驟2中，采用余弦相似度計(jì)算物品之間的相似度：

式中，V表示物品特征集合，A_v，B_v分別表示物品A和物品B對(duì)應(yīng)特征v的取值。

3.根據(jù)權(quán)利要求1所述的一種基于潛在因子的矩陣分解補(bǔ)全混合推薦方法，其特征在于：在所述步驟2中，采用皮爾森相關(guān)系數(shù)計(jì)算用戶之間的相似度：

式中，V表示物品集合，r_Av，r_Bv分別表示用戶A和用戶B對(duì)物品v的評(píng)分，和分別表示用戶A和用戶B對(duì)物品評(píng)分的平均值。

4.根據(jù)權(quán)利要求1所述的一種基于潛在因子的矩陣分解補(bǔ)全混合推薦方法，其特征在于：在所述步驟3中，采用降維處理對(duì)用戶物品評(píng)分矩陣進(jìn)行矩陣分解。